长时程 RL 需要 Muon：单轨迹异步训练配方提升仓库级问题解决成功率

一项研究提出面向长时程智能体的单轨迹异步训练配方，将 Muon 优化器与 token 平均损失、截断重要性采样以及长度和工具错误辅助惩罚项结合，无需等待同一问题的多条轨迹即可异步学习。研究在两个模型家族上考察了优化器选择与配方组件，用于仓库级问题解决，完整配方的训练成功率高于基线。该工作为 7 页预印本，仍在进行中。